Introduction to the Minitrack on Immersive Technologies in Business
Notice bibliographique
Résumé
Immersive technologies integrate virtual content with the physical environment and create an immersive experience for users.Typical examples of immersive technologies include augmented reality (AR), virtual reality (VR), and mixed reality (MR).Other immersive technologies with developing applications and potentials include extended reality (XR), digital twin technology, holography, and the metaverse.These technologies have long captivated public attention and imagination, and are now coming into our daily life.They have been adopted in application areas such as entertainment, retailing, ecommerce, education, gaming, tourism, military, and medicine (Javaid & Haleem, 2020;Radianti et al., 2020;Tom Dieck & Han, 2022).Immersive technologies are increasingly transforming our experience in various aspects of life and business.With further maturity of the technologies and reduction in cost, they are on the verge of a more pervasive entrance into our life and are expected to revolutionize how we interact with the world and digital content.Research on the adoption, usage, and impact of immersive technologies in business has drawn growing interest in recent years.This minitrack aims to provide a discussion forum for involved and interested researchers to share their developing work and foster collaborative efforts in this field.This minitrack attracted two research paper submissions and one is accepted for publication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,062 | 0,017 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».